Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Budapesti Műszaki és Gazdaságtudományi Egyetem
Közlekedésmérnöki Kar Közlekedésüzemi Tanszék
Készletszabályozó rendszer megvalósítása Neuro-Fuzzy
logika alkalmazásával
TDK dolgozat
Készítette: Cimer Mónika, Közlekedésmérnöki BSc Konzulens: Dr. Bóna Krisztián, adjunktus
Lénárt Balázs, PhD hallgató 2010. október
2
Tartalomjegyzék
1. Bevezetés ...................................................................................................................... 4
2. Készletgazdálkodás ....................................................................................................... 5
2.1 A készletek csoportosítása ................................................................................. 5
2.2 A készletezési folyamat költségei ..................................................................... 6
2.2.1 Készlet-utánpótlási költségek .................................................................. 7
2.2.2 Készlettartási költségek ........................................................................... 7
2.2.3 Hiányköltségek ........................................................................................ 8
2.3 A készletezési rendszer ..................................................................................... 9
2.3.1 A készletezési rendszer működése ........................................................ 11
3. Mesterséges intelligencia ............................................................................................ 16
3.1 Neurális hálózat ............................................................................................... 16
3.1.1 A neuron ................................................................................................ 16
3.1.2 A neurális hálózatok topológiája ........................................................... 19
3.1.3 A neurális hálózat tanulása .................................................................... 22
3.2 Fuzzy rendszerek ............................................................................................. 23
3.2.1 Fuzzy halmazok ..................................................................................... 24
3.2.2 Fuzzy műveletek ................................................................................... 27
3.2.3 Fuzzy szabályok és relációk .................................................................. 29
3.2.4 Nyelvi változók ..................................................................................... 30
3.3 Neuro-Fuzzy rendszerek .................................................................................. 31
3.3.1 ANFIS ................................................................................................... 33
4. A készletszabályozó rendszer ..................................................................................... 36
4.1 A készletnagyságot befolyásoló tényezők ....................................................... 35
4.1.1 Beszállítói oldal készletszintre való hatása ........................................... 37
4.1.2 Vevői oldal készletszintre való hatása .................................................. 39
4.1.3 Termelő/kereskedő vállalat készlentszintre való hatása ........................ 40
4.2 A bemenő paraméterek meghatározása ........................................................... 44
4.3 A készletszabályozó rendszer felépítése ......................................................... 46
4.3.1 A szabályozó ......................................................................................... 48
4.4 Az alaprendszer létrehozása ............................................................................ 49
3
4.4.1 ANFIS ................................................................................................... 50
4.4.2 Az alap-készletszabályozó rendszer ...................................................... 52
4.4.3 Az alaprendszer tesztelése ..................................................................... 53
5. Összefoglalás .............................................................................................................. 55
Irodalom .......................................................................................................................... 56
1. Melléklet ..................................................................................................................... 57
2. Melléklet ..................................................................................................................... 58
4
1. Bevezetés
Napjainkban a termékek előállítása és felhasználása térben és időben
különbözhet, ezért az anyagáramlási folyamatban zavarok léphetnek fel. Ahhoz, hogy
biztosítani lehessen a folyamatok zavartalan működését, készletek tartása szükséges.
A készlet értékkel és költségvonzattal rendelkezik, ezért a vállalati célok
szempontjából fontos az optimális nagyságának meghatározása. Azonban legtöbbször a
folyamatok sztochasztikus jellegéből adódóan, illetve a folyamatelemek közötti
kapcsolatok komplexitása miatt az optimalizálása nehézségekbe ütközik.
Ezért egy olyan készletszabályozó rendszer megvalósítása a cél, amelynek
szabályozó algoritmusa Neuro-Fuzzy logikán (mesterséges intelligencia módszereken)
alapul, vagyis a bemenő paraméterek közötti kapcsolatrendszer matematikai
modellezése nélkül kerül meghatározásra az optimális készletnagyság a költségek és a
készlethiány minimalizálása mellett. A rendszer ennek megfelelően javaslatot adna az
adott termékkel kapcsolatos rendelésütemezési paraméterekre, ezáltal támogatható az
operatív döntéshozó munkája, és növelhetővé válik a logisztikai folyamatok
hatékonysága.
A dolgozatban egyrészt ennek a készletszabályozónak megvalósításához
szükséges elméleti alapok kerülnek lefektetésre. Másrészt egy olyan alaprendszer
létrehozása történik meg, melyen keresztül bizonyítható Neuro-Fuzzy logika
alkalmazhatósága készletezési problémák megoldására, illetve melynek folyamatos
továbbfejlesztésével elérhető a kívánt készletszabályozó rendszer.
5
2. Készletgazdálkodás
Az előállítás és a felhasználás eltérő időbeli és térbeli ütemezése miatt az
anyagáramlási folyamatban úgynevezett szakadási pontok jönnek létre. Ezeken a
pontokon ideiglenesen nem áramló anyagok, készletek keletkeznek. A készlet nem más,
mint az adott vállalat által felhalmozott anyagi javak (alapanyagok, félkész-,
késztermékek) összessége, amely a termelési és elosztási folyamatban fellépő jövőbeni
szükségletek kielégítésére szolgál.
2.1 Készletek csoportosítása
A készleteket csoportosíthatjuk a vagyonmérleghez kapcsolódóan, illetve a
folyamatok során betöltött szerepük szerint.
A készlet számvitel szerinti csoportosítása [15]:
• vásárolt készletek: külső partnertől beszerzett készletek
o anyagok: olyan készletek, amelyek a termelési folyamatban elvesztik
tárgyi jellegüket, és értéküket átadják az előállított új
terméknek/szolgáltatásnak
� alap- és nyersanyagok,
� segédanyagok,
� fűtő- és üzemanyagok,
� egyéb anyagok,
� anyagi eszközök (berendezési, felszerelési tárgyak, szerszámok,
gyártóeszközök),
� elfekvő anyagok;
o áruk: olyan készletek, amelyet a vállalat eladási, értékesítési szándékkal
szerez be, vagyis a termelési folyamatban nem vesznek részt, állapotuk
változatlan marad
� kereskedelmi áruk (vendéglátó ipari, bolti készletek),
� göngyölegek;
• saját termelésű készletek: a vállalat által előállított készletek
6
o késztermék: olyan termék, amely valamennyi megmunkálási folyamaton
keresztül ment, minőségileg megfelel az előírásoknak, raktárra vehető és
értékesíthető,
o félkész termék: olyan termék, amely egy teljes megmunkálási
folyamaton keresztül ment, és így vették raktárra, de még további
megmunkálására kerül sor,
o befejezetlen termelés: olyan termék, amely a vizsgált időpontban
megmunkálás alatt áll, de legalább egy munkafolyamatot elvégeztek
rajta,
o növendék-, hízó és egyéb állatok: sajátos gazdasági készletek.
A készlet funkcionális csoportosítása [8]:
• tervezett készlet: az előre sejthető, input és output folyamatokban előforduló
mennyiségi és időbeli ingadozások (pl.: üzemszünetek, eladási csúcsidőszakok)
fedezésére szolgál;
• gyártási sorozat (ciklus) készlet: egy előre meghatározott időszakra vonatkozóan
biztosítja a gyártási rendszer működésének folyamatosságát;
• fluktuációs (biztonsági) készlet: előre nem látható, az input és output
folyamatokban előforduló mennyiségi és időbeli ingadozások (pl.: utánpótlási
folyamat zavarai, átlagosnál nagyobb kereslet) fedezésére szolgál;
• szállítási (mozgó) készlet: a vállalatok közötti ellátási-elosztási csatornákban a
térbeli távolságok miatt tartandó készletek összessége;
• tartalék alkatrész készlet: a vállalatnál működő vagy az általa gyártott
berendezések, termékek alkatrészeinek pótlására, cseréjére fenntartott készletek.
2.2 A készletezési folyamat költségei
Az ellátási láncban a készletek költségnövelő szereppel rendelkeznek, azaz a
vállalatok számára készletezés költségekkel jár. Ezeknek a költségeknek három
csoportját különböztetjük meg:
• a készlet-utánpótlási,
• a készlettartási, valamint
• a hiányköltséget.
7
2.2.1 Készlet-utánpótlási költségek
Készlet-utánpótlási költség azokat az állandó és változó költségeket jelenti,
amelyek az árukészlet beszerzésével, megrendelésével, illetve a készáru-készleteknél
vagy a saját előállítású félkész termékeknél a termék előállításával kapcsolatban
felmerülnek. Ezek a költségek mindig valamilyen termelési és/vagy kereskedelmi
megrendelésből adódnak. Azaz a megjelenési formáját, tartalmát döntően a készletezési
rendszer funkcionális szerepe (termelési/kereskedelmi készlet) határozza meg.
Ennek megfelelően termelési megrendelések esetén az utánpótlási költségek
legjellemzőbb megjelenési formái a következők lehetnek:
• a termék előállítási költsége,
• a termelési specifikációkból származó költségek,
• a termelő berendezések átállásából, beállításából származó költségek,
• a sorozatbeindításból származó költségek,
• a termelésszervezési apparátus fenntartási költségei;
a kereskedelmi megrendelések esetén pedig:
• a termék beszerzési ára,
• a megrendelés előkészítésének költsége,
• a megrendelés lebonyolításának költsége,
• a megrendelés követéséből származó költségek,
• a megrendelés átvételéből származó költségek,
• a beszerzési apparátus fenntartásának költsége.
A fenti költségek egy része függhet a beszerzendő mennyiségtől, míg a másik
része attól független.
2.2.2 Készlettartási költségek
A készlettartási költségek a készletek fenntartásával kapcsolatos ráfordításokat
jelentik, amelyen belül megkülönböztethetünk a termék fizikai jellegéhez és érték
jellegéhez kapcsolódó költségeket.
A termék fizikai jellegéhez kapcsolódó költségek a tárolással, kezeléssel
összefüggő tevékenységhez fűződő ráfordítások, például:
8
• raktározási, tárolási létesítmények fenntartási, üzemeltetési, karbantartási és
amortizációs költségei,
• anyagmozgatás költségei,
• különleges tárolási, kezelési költségek,
• tárolási veszteségek költségei,
• raktári személyzet bérköltsége.
A termék érték jellegéhez kapcsolódó költségek a készletbe, mint passzív
forrásba történő tőkebefektetésből adódó veszteségeket jelentik, úgymint:
• a készletekbe fektetett tőke jövedelmezőségi normája,
• a készletezési rendszer tárgyi eszközeivel lekötött tőke jövedelmezőségi
normája,
• a készletek értékcsökkenési vesztesége,
• a biztosítási költségek.
2.2.3 Hiányköltségek
A hiányköltségek a készlethiányból eredő veszteségek költségei, melyek a
következők lehetnek:
• a rendelkezésre álló kapacitások kihasználatlanságából adódó költségek,
• a soron kívüli rendelésekből származó költségek,
• az elmaradó vagy a jövőbeli értékesítések veszteségei,
• a vevői rendelés fenntartásának költségei,
• a goodwill veszteségek.
A készletezési folyamattal kapcsolatos költségek pontos meghatározása azonban
a gyakorlatban nehézségekbe ütközik. Egyrészt a költségek elkülönült módon kerülnek
tárolásra, másrészt az egyes költségnemek és –helyek nehezen definiálhatók. Ezért a
fajlagos költségek előállítása csak a nyilvántartott adatok korrekciós becslésével
lehetséges. A készletmodellezés során általában a következő fajlagos
költségtényezőkkel számolunk [8]:
• cb [Ft/db]: a beszerzendő mennyiséggel arányos (változó) költség,
• c1 [Ft/megrendelés]: a beszerzés tényéhez kapcsolódó fix költség,
• c2 [Ft/db*nap]: a tárolás mennyiségétől és idejétől függő tárolási költség,
9
• cw [Ft/Ft*nap]: időegységre és a raktárkészlet egységnyi értékére eső raktározási
költség,
• cu [Ft/db]: mennyiségegységre eső fajlagos veszteségérték, amely a raktári
rendszerben a szükségesnél több termék tárolásából adódik,
• c3 [Ft/db*nap]: a hiányzó készlet mennyiségétől és az időtől függő hiányköltség,
• ch [Ft/db]: mennyiségegységre eső fajlagos veszteségérték, amely a raktári
rendszerben a szükségesnél kevesebb termék tárolásából adódik.
2.3 A készletezési rendszer
Az értékalkotási láncban a készlet kettős jelleggel rendelkezik. Egyrészt a
folyamatban fellépő térbeli és időbeli különbségek áthidalása során, az anyagáramlás
tényleges lebonyolításakor naturális jellege kerül előtérbe. Ugyanakkor a láncban az
áru- és pénzviszonyok keretein belül elkülönült gazdasági érdekkel rendelkező
vállalatok kapcsolódnak össze, amelyek célja a piachoz való rugalmas alkalmazkodás
versenyképességük megőrzése érdekében. Ennek lehetséges módjai a váratlan
beszerzési vagy értékesítési problémák kivédése, az előnyös üzleti lehetőségek
kihasználása a készlettartás által. Ebben az esetben a készlet értékjellegének jut
kiemelkedő szerepe.
A fentiek eredményeként elmondható, hogy a készlettartás szükségességét a
készlet kettős jellegéből adódóan fizikai és gazdasági kényszer egyaránt indokolja.
Azonban minden esetben a végső cél ellátási-termelési-elosztási folyamatok
stabilitásának biztosítása, és ezáltal az egész értékalkotó lánc optimális működésének
elérése. A végső cél felbontható részcélokra, melyek három csoportját
különböztethetjük meg [11]:
• a keresleti és utánpótlási folyamatban mutatkozó, normálisnak tekinthető
ingadozások, ütemkülönbségek kiegyenlítése,
• váratlan problémák esetén manőverezési lehetőségek biztosítása,
• üzleti lehetőségek kihasználása.
Összefoglalva a vállalati célok teljesítéséhez és a vállalat működési stabilitása
érdekében készletek egy megadott szinten tartása szükséges. A vállalat tevékenységi
rendszerén belül a készletgazdálkodás feladata, hogy a termelési és a fogyasztási
folyamatok zavartalan működéséhez szükséges anyagok és termékek a megfelelő
10
helyen, mennyiségben, összetételben, valamint időben rendelkezésre álljanak
gazdaságossági szempontokat figyelembe véve. Ezek alapján a készletgazdálkodás
során a következő kérdéseket kell tudni megválaszolni:
• Milyen termékből legyen készlet?
• Az igények (kereslet) kielégítéséhez mekkora készlet szükséges?
• A megfelelő készletszintet milyen döntési-szabályozási folyamatokkal lehet
elérni?
• Mekkora a készlettartás költségvonzata, hogyan finanszírozható, és milyen
mértékű megtérülésre számíthatunk?
A fenti döntések meghozatalához szükséges szabályokat és eljárásokat hangolja
össze a készletezési rendszer. Vagyis a készletezési rendszer (1. ábra) gondoskodik a
készletek fenntartásához és szabályozásához szükséges szervezeti rendszerről és
működési politikáról. Ennek megfelelően két részét különíthetjük el: egy anyagi és egy
szabályozó rendszert.
1. ábra. A készletezési rendszer
11
2.3.1 A készletezési rendszer működése
Az anyagi rendszer alatt a láncban található raktárak értendőek a bennük zajló
folyamatokkal együtt. Az anyagi rendszer feladata a készletezésnek, mint anyagi
folyamatnak a megvalósítása. Ennek megfelelően három részfolyamatot
különböztethetünk meg:
• beszállítási (raktári megrendelés, beszállítás, betárolás),
• tárolási,
• kiszállítási (kereslet, kitárolás, kiszállítás) folyamatot.
Az input és output folyamatok mennyiségi és időbeli tulajdonságai közvetlen
hatást gyakorolnak a készletnagyság időbeli alakulására. Ezek a folyamatjellemzők attól
függően, hogy statisztikai szempontból egy előre meghatározható értékkel leírhatók
vagy véletlen jelleget öltenek, lehetnek determinisztikusak vagy sztochasztikusak.
A kiszállítás következtében csökken a készletnagyság, ugyanakkor
beszállításkor készlet feltöltésére kerül sor. Ezáltal az anyagáramlásban a készlet
összeköti a mindenkori keresletet a kínálattal. Azonban a tárolt készletnek minden
esetben biztosítania kell:
• a termékek iránti időben és mennyiségben változó kereslet kielégítését,
• az értékalkotási láncban az egyes tevékenységek függetlenségének fenntartását,
• a termelésütemezés rugalmasságát,
• a folyamatok sztochasztikus jellegéből fakadó bizonytalanságok fedezését,
• a felmerülő piaci lehetőségek, előnyök kihasználását.
Az előzőekben felsoroltak a készlet nagyságának növelésével érhetők el.
Azonban a készlettartás költségvonzattal rendelkezik, mely miatt a készletszint
minimalizálására kell törekedni. Ezért a vállaltok által kitűzött gyakorlati cél az adott
körülmények szempontjából optimális készletszint meghatározása. Ezt az optimalizálási
folyamatot valósíthatja meg egy korszerű módszereken és eljárásokon alapuló
szabályozó rendszer.
Egy készletszabályozó rendszer feladata az adott (termelési, fogyasztási stb.)
folyamatrendszer anyagszükségleteinek kielégítése, készletezési stratégia/stratégiák
működtetése, gazdasági és/vagy megbízhatósági szempontok alapján optimalizált
készletszint meghatározása és annak dinamikus szinten tartása. Ennek megfelelően a
12
szabályozó rendszerben részfolyamatként jelenik meg a készletfigyelés, a készletezési
stratégia működtetése és a rendelésfeladás. [8]
A szabályozó közvetlenül az anyagi rendszerhez kapcsolódik, melynek
folyamatait feladatköréből adódóan térben és időben szabályozza. Pontosabban a
rendelésfeladásokon keresztül hatást gyakorol az ellátási lánc egyes pontjain képződő
készletnagyságokra, ezáltal a teljes készletezési folyamat maximális működési
hatékonyságára törekedve.
A készletezési rendszer működésének ismertetése előtt szükséges a
szabályozáshoz kapcsolódó jellemzők definiálása, melyek a következők [8]:
• szabályozott jellemző: az a készletszint, amelyet a döntéshozónak a vezető
jellemző útján közölt szándékai szerint tartania kell;
• eltérítő jellemző: mindazokat a hatásokat jelenti, amelyek a készletszintet a
norma szerinti értéktől eltéríthetik (pl.: a tényleges kereslet, az utánpótlás
zavara, egyéb a rendszert érő külső zavaró hatás);
• beavatkozó jellemző: a döntéshozó által feladott rendelés időpontja és
mennyisége, amelyek a szabályozott jellemző értékére hatással vannak;
• vezető jellemző: a döntéshozó szándékai, amelyek tükrözik a rendszer tényezőit,
illetve azok változásait, és melyek a készletezési mechanizmus paramétereiben,
változásaiban jelennek meg.
A készletezési rendszert elsődlegesen a környezetből érkező kereslet hozza
működésbe. A fellépő keresletre vonatkozó információk készletezési mechanizmushoz
érkeznek. A készletezési mechanizmus egy szabályozó elem, mely működteti a
készletezési stratégiát, illetve a rendszerrel szemben megfogalmazott célkitűzéseket,
követelményeket teljesíti.
Az adott igény kielégítését követően a készletszintben, mint szabályozott
jellemzőben változás következik be. Ahhoz, hogy a szabályozott jellemző értékét egy
meghatározott szinten tartsuk, mérhetőnek kell lennie. A mérés történhet közvetlenül a
készletszint változásnak figyelésével, illetve közvetetten, a szabályozott jellemzővel
egyértelműen kapcsolatban lévő jellemzők mérésével. Ez jelentheti a kereslet és
kielégítésének vagy az input-output folyamatok mérését is.
Következő lépésként a rendszer összehasonlítja a szabályozott jellemző mért,
aktuális értékét a vezető jellemzők által meghatározott készletértékkel. Az így képzett
13
különbség függvényében a zavaró hatások mérséklése érdekében döntenie kell a
döntéshozónak, mikor és mennyit rendeljen, mivel a rendelés tölti be a szabályozó
szerepét. Azaz rendszerbe való tényleges beavatkozás a készlet helyreállítását célzó
rendelésen és az ez által generált beszállítási folyamatokon keresztül valósul meg
A szabályozás végeredményeként olyan választ kapunk a „mikor és mennyit
rendeljünk” kérdésekre, melynek függvényében az anyagi rendszer az adott
körülményekhez képest leghatékonyabban működik, vagyis a készletezési folyamat
hatékonysága megközelíti a maximumot.
A kérdésekre adott egyértelmű válaszhoz a készletezési stratégián keresztül
juthatunk. A feladat során alkalmazott stratégia tulajdonképpen azt a módot fogja
jelenteni, mely által a döntéshozó céljait el kívánja érni, illetve a rendszer működésével
szemben támasztott követelményeket teljesíteni. A „klasszikus” kétparaméteres
készletezési stratégiák a mikor és mennyit kérdésekre adható válaszok kombinációját
jelentik, mely válaszok a következők lehetnek:
• a rendelés időpontjára vonatkozóan a rendelés feladható:
o rögzített időközönként (t), vagy
o a készletszint minimális érték (s) alá csökkenése esetén;
• a rendelés mennyiségére vonatkozóan:
o a rendelési tételnagyság (q) rögzített, vagy
o a rendelés egy olyan volumenre szól, mely beérkezése után a készletszint
egy előre rögzített maximális értéket (S) ér el.
A fentiek függvényében beszélhetünk [t,q], [t,S], [s,q] és [s,S] stratégiákról (2.
ábra).
2. ábra. Készletezési stratégiák [8]
14
Az optimális készletszint meghatározása a gyakorlatban általában operatív
munkavégzés során a készletezési rendszer működése révén szerzett tapasztalatokat
felhasználva, illetve készletezési modellek alkalmazásával történik. Az első esetben a
döntéshozó szubjektivitása miatt előfordulhat, hogy az általa meghatározott készletszint
jelentős mértékben eltér az adott körülmények szempontjából optimálisnak tekinthető
készletnagyságtól, azaz készlethiány vagy túlkészletezés jön létre.
A készletmodellek, melyek a bemeneti és kimeneti paraméterek közötti
kapcsolatok – ezáltal a teljes készletezési folyamat - matematikai modellezését
valósítják meg, ellenben csak meghatározott szabály- és feltételrendszer esetén
alkalmazhatóak. Ezért sokszor a készletezési probléma megoldását nehezíti a megfelelő
készletmodell kiválasztása, vagy éppen az alkalmazandó modell bonyolultsága, és az
általa megkívánt számítási kapacitás nagysága.
A következőkben a cél egy olyan készletszabályozó rendszer
megvalósíthatóságának bizonyítása, mely a folyamat jellegétől függetlenül, a
folyamatot alkotó elemek közötti matematikai összefüggések ismerete nélkül,
költségminimalizáló és megbízhatósági szempontokat figyelembe véve képes a
készletnagyság folyamatos optimalizálására. A rendszer javaslatot adna az adott
termékkel kapcsolatos rendelésütemezési paraméterekre, ezáltal támogathatóvá válna az
operatív döntéshozó munkája, illetve növelhetővé a logisztikai folyamatok
hatékonysága.
A fentiekben definiált célok elérésének a legalkalmasabb módját a mesterséges
intelligencia (MI) módszereinek alkalmazása jelentené. Ugyanis a MI módszerek az
emberi gondolkodási folyamatra épülő döntéshozatalt, problémamegoldást, valamint
tanulást automatizálják. Pontosabban az ember azon tulajdonságának számítógépes
környezetbe való átültetését jelentik, mely által a múltbeli események ismeretére
alapozva képes a jelen és a jövőbeni helyzetek kezelésére, és az ehhez kapcsolódóan
fellépő kérdésekre minden vonatkozásban kimerítőbb, biztonságosabb és kompetensebb
módon reagálni, ezáltal a rendelkezésre álló alternatívák közül a számára legjobbat
kiválasztani [6].
A következő fejezetben azoknak a MI módszereknek a részletes bemutatására
térnék ki, amelyek az adott készletezési probléma megoldása során felhasználásra
kerültek - neurális hálózatok, fuzzy rendszerek, illetve a kombinációjukat jelentő
15
Neuro-Fuzzy rendszerek,- ezzel biztosítva a szabályozó megvalósításához,
működésének megértéséhez szükséges háttér információk megismerését.
16
3. Mesterséges intelligencia
A mesterséges intelligencia (MI) az egyik legújabb tudományos terület, mely a
természetben lezajló biológiai folyamatokra épül. Alapgondolatát a közelítő,
ugyanakkor rendkívül hatásos, gyors és rugalmas emberi gondolkodáshoz való
visszatérés képezi. Az emberi gondolkodási, következtetési folyamat modellezése és
matematizálása révén a MI módszerek képesek racionális döntéseket hozni a környezet
bizonytalansága és pontatlansága ellenére is. Ezáltal lehetőséget biztosítva a
nemlineáris, komplex rendszerek vizsgálatára, illetve a pontatlansággal és a
bizonytalansággal szembeni toleranciát kihasználva a vizsgált rendszer jobban közelítő,
egyszerűbb, robosztusabb modelljének kifejlesztésére alacsonyabban áron a
kommunikáció és a számítási idő rövidítésével. [1] [2]
A mesterséges intelligencia módszerek, vagy más néven soft computing (lágy
számítás) módszerek közé tartoznak:
• a neurális hálózatok,
• a fuzzy rendszerek,
• a genetikus algoritmusok.
3.1 Neurális hálózat
A neurális hálózat egy speciális információ-feldolgozó rendszer (3. ábra).
Pontosabban az agysejtek rendkívül leegyszerűsített modelljét képező mesterséges
neuronokból, csomópontokból álló, súlyozott összekötésekkel erőteljesen kapcsolódó
párhuzamos hálózat, amely bemeneti és kimeneti minták közötti bonyolult, nemlineáris
leképezéseket képes megtanulni. Három alapvető jellemzővel rendelkezik:
• neuron,
• topológia,
• tanulási szabály.
3.1.1 A neuron
A neurális hálózat feldolgozó eleme a neuron, amely több bemenetű (x1, x2… xn)
egy kimenetű (o) eszközként jellemezhető. A neuronok a hálózaton belül rétegekbe
rendeződnek. Így az adott neuronhoz az előző réteg neuronjaitól különböző súlyozott
17
kapcsolatokon keresztül bemeneti információk érkeznek. A súly (w1, w2… wn) jellemzi
az összekötetésben lévő elemek kapcsolatának erősségét.
w12
w21
3. ábra. A neurális hálózat
A kapott információt a neuron (4. ábra) függvények segítségével feldolgozza,
egyetlen kimeneti értékké vonja össze, és ezt követően továbbítja a következő réteg
neuronjainak.
A bemenetek (ingerek) egyetlen kimeneti értékké (válasz) történő redukálása
miatt a neuronnak két funkcionális részét különböztetjük meg:
• az összegző (integráló) függvényt (g), és
• az aktivizációs (kimeneti) függvényt (f).
4. ábra. A neuron modell
Az összegző függvény feladata, hogy az n számú bemeneti változót egyetlen
értékké vonja össze. Ezt legtöbbször a bemenetek és a hozzájuk tartozó súlyok
szorzatösszegének előállításával valósítja meg:
18
� = � �����
�� = �� ahol w = [ w1 w2 w3 … wn] a súlyvektor,
x = [ x1 x2 x3 … xn] a bemeneti vektor.
Az összegző kimenetének lineáris vagy nem lineáris leképezését az aktivizációs
függvény valósítja meg, mely előállítja a tényleges kimeneti értéket: � = ���� = ���� �
Lineáris leképezés során az integráló és aktivizációs függvény kimenete
megegyezik: � = � = ��
A nemlineáris aktivizációs függvény küszöbfüggvény típusú leképezést jelent,
melynek értelmezési tartománya általában a valós számok halmaza, értékkészlete pedig
a valós számok egy korlátos részhalmaza. Tulajdonképpen a kimenet értékét két
aszimptota közé korlátozza, ezáltal szabályozhatóvá téve a neuron válaszát.
A leggyakrabban alkalmazott aktivizációs függvények:
• lépcsőfüggvény:
� = �+1, � > 0−1, � ≤ 0� • telítéses lineáris függvény:
19
� = �+1, � > 1�, −1 ≤ � ≤ 1−1, � < −1 �
• tangens hiperbolikus függvény:
� = 1 − ��� 1 + ��� ; " > 0
• logisztikus függvény:
� = 11 + ��� ; " > 0
3.1.2 A neurális hálózatok topológiája
A neurális hálózatok topológiáján a neuronok összekapcsolási rendszere és a
hálózat bemeneteinek, kimeneteinek helye értendő. A topológia pontosan meghatározza
a neuronok számát, valamint azok összeköttetését, mely az összekötetési vagy
súlymátrixszal jellemezhető:
# = $ � �% … ���% ⋱ ⋮ ⋮ ⋱ ⋮ �) … �)�*
20
A W súlymátrix egy m x n-es, ahol a súly (wij) első indexe (i = 1, 2…m) jelöli a
célneuront, a második (j = 1, 2…n) a forrásneuront.
A hálózat topológiáját irányított gráffal reprezentálhatjuk, melyek csomópontjait
képezik a neuronok, illetve az éleihez értelemszerűen hozzárendelhetők a súlytényezők.
A neurális hálózaton belül háromféle neuron típust tudunk megkülönböztetni:
• bemeneti neuront: bemenete egyben a hálózat bemenetét is jelenti, kimenete
pedig más neuronok bemenetét szolgáltatják,
• kimeneti neuront: kimenete a környezet felé irányítja a kívánt információt,
• rejtett neuront: mind bemenetével, mind kimenetével más neuronokhoz
kapcsolódik.
Az azonos típusú neuronok rétegeket alkotnak, ezért a fentiek függvényében
beszélhetünk:
• bemeneti rétegről (bemeneti neuronok alkotják),
• kimeneti rétegről (kimeneti neuronok alkotják),
• rejtett rétegről (rejtett neuronok alkotják).
5. ábra. A neurális hálózat topológiája
A bemeneti réteg információfeldolgozást nem végez, feladata csupán a háló
bemeneteinek a következő réteg bemeneteihez való eljuttatása. Ennek megfelelően a
hálózatnak legalább két réteggel, egy bementi és egy kimeneti réteggel kell rendelkezni.
A két réteg között viszont tetszőleges számú közvetítő szerepet betöltő rejtett réteg
helyezkedhet el.
A rétegek közötti kapcsolat (6. ábra) kialakítására többféle megoldás
alkalmazható:
21
• teljes kapcsolat: a két réteg minden elemét összekötjük egymással,
• véletlenszerű kapcsolat: két réteg elemei között véletlenszerűen alakítunk ki
kapcsolatokat, ekkor csak az elemek egy részhalmaza kerül kapcsolatba a két
rétegben,
• egy-egy kapcsolat: az egyik réteg minden eleméhez a másik rétegnek csak egy
elemét kapcsoljuk.
6. ábra. A rétegek közötti kapcsolatok
Fontos megemlíteni a rétegeken belül kialakítható kapcsolatokat is, melynek két
típusát alkalmazhatjuk:
• recurrent: a réteg elemei részben vagy teljesen össze vannak kötve egymással,
• on-center/off-sorround: a réteg elemei saját magukkal és a szomszédjaikkal is
összeköttetésben állnak, illetve távolabbi elemekkel is össze lehetnek kapcsolva.
Az információ átadás iránya szerint a neurális hálózatoknak kétféle topológiáját
különböztetjük meg:
• előrecsatolt, és
• visszacsatolt topológiákat.
7. ábra. Előrecsatolt és visszacsatolt neurális hálózat
22
Az előrecsatolt hálózatoknál az információ csak egy irányba halad: a bemeneti
réteg felől a kimeneti réteg felé. Ekkor a hálózatot jellemző súlymátrix egy háromszög
mátrix, mely főátlóbeli elemei nullaértékűek.
A visszacsatoltnak tekinthető az a hálózat, melynek topológiáját reprezentáló
irányított gráf hurkot tartalmaz, vagyis a továbbított információ közvetlenül vagy
közvetve visszakerülhet a küldő elemhez. Beszélhetünk globális és lokális
visszacsatolásról. Globális visszacsatolásnál a hálózat kimenetét csatoljuk vissza a
bemenetére. A lokális visszacsatolásnak pedig három lehetséges módja ismert:
• elemi visszacsatolás: a réteg egy neuronjának kimenete közvetlenül saját
bemenetére van visszacsatolva;
• laterális visszacsatolás: a réteget alkotó neuronok között valósul meg a
visszacsatolás;
• rétegek közötti visszacsatolás: a réteg kimenetét nála alacsonyabb sorszámú
réteg bemenetével kapcsoljuk össze.
3.1.3 A neurális hálózat tanulása
A neurális hálózat egyik legfőbb tulajdonsága az adaptációs, tanulási képesség.
A tanulása alatt olyan folyamat értendő, amely arra kényszeríti a hálózatot, hogy súlyait
és/vagy felépítését úgy változtassa, és ezáltal a rendszer viselkedését, hogy
• az adott bemenetekre a kívánt válaszokat adja, vagy
• a válaszok ismerete nélkül képes legyen a rendszer a bemenetekben valamilyen
szabályosságot (hasonlóságot, különbözőséget) feltárni, vagy
• alkalmazkodni tudjon a változó körülményekhez.
A neurális hálózatokban a tanulás alábbi formáival találkozhatunk:
• felügyelt (ellenőrzött) tanulás,
• nem felügyelt (nem ellenőrzött) tanulás,
• megerősítő tanulás.
A felügyelt vagy tanítóval történő tanulásnál rendelkezésünkre állnak a bemeneti
minták és a hozzájuk tartozó helyes kimeneti értékek. Vagyis adottak a helyes vagy
kívánt (x,d) input-output mintapárok. A hálózat által szolgáltatott kimenet o és a cél
kimenet d összehasonlításából képezhetünk egy hibajelet. Ezt a hibajelet a súlytényezők
állításával szeretnénk minimalizálni, mely egy szélsőérték kereső feladatot eredményez.
23
A felhasznált szélsőérték kereső eljárás sokféle lehet. Azonban mindegyik esetében
elmondható, hogy a tanulás minden lépésében ellenőrizhető a kapott eredmény
helyessége, hibája. A felügyelt tanulás célja, hogy a tanítandó rendszer felépítését olyan
módon válasszuk meg, alakítsuk ki, hogy a megtanított rendszer működése minél
inkább megfeleljen a vizsgált rendszer működésének.
Nem ellenőrzött tanulás esetén nem ismerjük a bemenetekhez tartozó helyes
válaszokat. Ezért tanulás során magának a hálózatnak kell az x bemenetek és a hozzájuk
tartozó aktuális o kimenetek alapján valamilyen viselkedést kialakítani. A környezetből
azonban nem kapunk visszajelzést a válaszok helyességére vonatkozóan. Ezért a hálózat
a tanulás során a bemenetek esetleges szabályszerűségeit vizsgálja: hasonlóságok
keresése, az input adatok osztályokba sorolása, kategorizálása.
Megerősítő tanulásnál továbbra sem állnak rendelkezésre a bemeneti értékekhez
tartozó helyes válaszok, azonban információval rendelkezünk arra vonatkozólag, hogy a
tanulás során a hálózat állapota javult vagy romlott. Vagyis ha a kimenet jó irányú
változást mutat, megjutalmazzuk a hálózatot, ellenkező esetben pedig megbüntetjük.
Ezek alapján eldönthetjük, hogy szükséges-e a hálózat további módosítása vagy sem.
[2]
3.2 Fuzzy rendszerek
A hétköznapi életben az emberek számára legtöbbször bizonytalan adatok állnak
rendelkezésre döntéseik meghozatalához, csak következtetni tudnak a helyes
megoldásra. Ezt a közelítő következtetést, a megoldáshoz vezető gondolkodást
transzformálja matematikai alakba a fuzzy logika. Tehát a fuzzy logika alapját az
képezi, ahogyan az ember pontatlan információkra alapozva következtet a szavak
segítségével, melyeken keresztül az emberi tudás reprezentálódik.
A fuzzy logika képes egyesíteni a szakértői tudást mérési információkkal, ezáltal
irányíthatóvá válnak olyan folyamatok, amelyek a klasszikus számítási eljárásokkal
nem vagy csak igen körülményesen lennének kezelhetők.
A fuzzy rendszer egy tudás-bázisú vagy szabály-bázisú rendszer, mely
bizonytalan jellegű adatokat felhasználva közelítő következtetéssel modellezi a vizsgált
folyamatot. Egy több bemenetes – egy kimenetes (MISO) emberi tudás
transzformálásából származó nemlineáris leképezést valósít meg. A működésének
24
alapját a szakértelemből nyert szabályok megfelelően kialakított készlete alkotja. A
rendszer a „HA-AKKOR” típusú szabályok segítségével következtetéseket végez, majd
azok eredményeit összegzi. Vagyis nincs szükség a bemeneti és kimeneti paraméterek
közötti matematikai összefüggések felírására. Mivel a szabályok szavak összességeként
értelmezhető, ezért tulajdonképpen a fuzzy rendszerekben a szavakkal végzünk
számítást.
fuzzyfikáló fuzzy inferencia gép defuzzyfikáló
fuzzy
szabálybázis
fuzzy fuzzynem fuzzy
bemenet
nem fuzzy
kimenet
fuzzy szabályozó
8. ábra. Fuzzy szabályozó felépítése
A leggyakrabban alkalmazott fuzzy szabályozók a Mandami, a Takagi-Sugeno
és a Tsukamoto inferencia módszerek. Mindegyik esetben a fuzzy szabályozó (8. ábra)
központi részét egy inferencia gép képezi, mely feladata a bemenő paraméterek és a
hozzákapcsolódó szabálybázis alapján következtetni a kimenő paraméterek értékére.
Azonban az inferencia gép számára a bemenő numerikus adatokat fuzzyvá kell
alakítani, ez a fuzzyfikálás folyamata. Ezzel ellentétben az előállított kimenő fuzzy
eredményt numerikus értékké kell konvertálni, vagyis defuzzyfikálni szükséges. [1] [2]
3.2.1 Fuzzy halmazok
A bizonytalan és pontatlan adatok kezelésére, illetve a hozzájuk kapcsolódó
következtetések elvégezhetősége érdekében be kell vezetni a fuzzy halmaz fogalmát,
mely alatt a klasszikus kétértékű halmazelmélet kiterjesztéseként létrejövő speciális
halmaz értendő. Az értelmezési tartomány elemeinek az adott fuzzy vagy életlen
halmazhoz tartozása [0,1] intervallumba eső értékkel jellemezhető. A fuzzy halmazhoz
való hozzátartozás mértéke kifejezhető egy folytonosan változó tagsági függvény
segítségével, mely az X alaphalmaz elemeit egy [0,1] intervallumba képezi le: +,���: . → 00,11, � ∈ .
25
9. ábra. Fuzzy tagsági függvény
A leggyakrabban alkalmazott tagsági függvények:
• háromszög függvény,
• trapéz függvény,
• Gauss görbe,
• haranggörbe,
• szigmoid függvény.
Az alaphalmaz minden eleméhez tartozni fog egy tagsági érték. Az így keletkező
rendezett számpárok (x,µA(x)) összességét nevezzük az alaphalmazon értelmezett fuzzy
halmaznak: 3 = 4�5�, +,���67� ∈ ., +,��� ∈ 89 A fuzzy halmaz további lehetséges írásmódjai:
• ha x folytonos:
3 = : +,����;
• ha x diszkrét:
3 = � +,����;∈<
Fontos megemlíteni néhány, a fuzzy halmazok szempontjából fontos jellemzőt,
úgymint:
• szupport: egy A fuzzy halmaz szupportja olyan éles halmaz, amely az X minden
olyan elemét tartalmazza, amelynek nem zérus a tagsági függvénye =>??�3� = {� ∈ .|+,��� > 0}�
26
10. ábra. A fuzzy halmaz szupportja
• szingleton: olyan fuzzy halmaz, amelynek szupportja egyetlen pont X-ben, (a
numerikus éles bemenetek szingleton fuzzy halmazként értelmezhetők);
• magasság: a legnagyobb tagsági függvényérték ℎ�D�3� = {� ∈ .7EF�5+,���6}�
11. ábra. A fuzzy halmaz magassága
• normalizált fuzzy halmaz: olyan fuzzy halmaz, amely tartalmaz legalább egy
olyan x∈X elemet, amelynek tagsági függvényértéke µA(x)=1, vagyis ℎ�D�3� = 1
• α-vágat: egy fuzzy halmaz α-vágata egy olyan Aα éles halmaz, amely X
mindazon elemét tartalmazza, amelyekhez A-nak α-nál nagyobb vagy azzal
egyenlő tagsági függvényértéke tartozik 3G = {� ∈ .|+,��� ≥ I}�
27
12. ábra. A fuzzy halmaz αααα-vágata
• konvex fuzzy halmaz: egy fuzzy halmazt konvexnek nevezzünk akkor, és csakis
akkor, ha annak Aα α-vágatai a [0,1] intervallumban minden α-ra konvex;
• fuzzy szám: egy konvex, normalizált A fuzzy halmazt az R valós számok
halmazán fuzzy számnak nevezzük, ha
o legalább egy x érték létezik µA(x)=1 értékkel, és
o µA(x) legalább szakaszosan folytonos.
A fuzzy számok a fuzzy halmazok aritmetikai számításokra alkalmasabb típusai,
a numerikus adatok határozatlanságát, bizonytalanságát reprezentálják, (a
„majdnem”, „körülbelül” címkék jellemzésére alkalmasak).
3.2.2 Fuzzy műveletek
A különböző fuzzy halmazok módosítása és összekapcsolása fuzzy műveletek
segítségével valósítható meg. A műveletek célja, hogy a halmazok egyedi értékeléséből
egy eredő értékelést nyerjünk. A fuzzy halmazok esetén három alapműveletet (13. ábra)
különböztetünk meg:
• a komplemens-, �3: +,��� = 1 − +,����;
• az unió-, �3 ∪ K: +,∪L��� = max 0+,���, +L���1); • a metszetképzést, �3 ∩ K: +,∩L��� = min 0+,���, +L���1).
28
13. ábra. Fuzzy műveletek
Ezeket sztenderd műveleteknek is szokták nevezni. Napjainkra számos
változatukat (pl.: rendezett, axiómákra épülő műveleteiket) dolgozták ki, annak
érdekében, hogy a gyakorlatban minél jobban alkalmazható alkalmazásokat
hozhassanak létre, mivel a sztenderd műveletek nem minden esetben felelnek meg a
követelményeknek.
Komplemens általánosan egy függvénynek tekinthető, aminek minden értéke
egy olyan fuzzy halmazhoz való tartozás mértékét fejezi ki, ami az eredeti halmaz (A)
negáltjának felel meg, és S: 00,11 → 00,11 leképezést valósít meg: S0+,���1 = +,���
A c függvény csak akkor tekinthető komplementumnak, ha következő két
követelményt kielégíti:
1. Határfeltételek: S�0� = 1 é= S�1� = 0
2. Monotonitás: F < U ⟹ S�F� ≥ S�U�; ∀F, U ∈ 00,11 Az unióképzésnek az s-normának feleltethető meg. A s-norma egy olyan =: 00,11 × 00,11 → 00,11 leképezés, amely az A és B fuzzy halmazok tagsági függvényeit
A és B uniójává transzformálja: s0+,���, +L���1 = +,∪L���
Ahhoz, hogy egy függvény s-normának legyen minősíthető, négy feltételt kell
teljesítenie:
1. Határfeltételek: =�1,1� = 1; =�0, F� = =�F, 0� = F
2. Kommutativitás: =�F, U� = =�U, F�
3. Monotonitás: F ≤ FZé= U ≤ UZ ⟹ =�F, U� ≤ =�FZ, UZ�
29
4. Asszociativitás: =�=�F, U�S� = =�F, =�U, S��
Az A és B fuzzy halmaz tagsági függvényeit A és B metszetévé transzformáló D: 00,11 × 00,11 → 00,11 leképezést valósítja meg a t-norma: t0+,���, +L���1 = +,∩L���
A t függvény, akkor minősül metszetnek, ha következő követelményeket
teljesíti:
1. Határfeltételek: D�0,0� = 0; D�1, F� = D�F, 1� = F
2. Kommutativitás: D�F, U� = D�U, F�
3. Monotonitás: F ≤ FZé= U ≤ UZ ⟹ D�F, U� ≤ D�FZ, UZ�
4. Asszociativitás: D�D�F, U�S� = D�F, D�U, S�)
3.2.3 Fuzzy szabályok és relációk
A fuzzy szabályok az emberi következtetést leíró feltételes állítások, amelyek
leírják egy (vagy több) nyelvi változó (következmény) függőségét egy vagy több nyelvi
változótól (feltételtől). A „HA-AKKOR” szabály általánosan a következő formában
írható fel:
HA <fuzzy propozíció(k)> (feltétel) AKKOR <fuzzy propozíció> (következmény).
A fuzzy propozíció (állítás, kijelentés) alatt a nyelvi változó speciális értékelése
értendő.
A fuzzy szabályok feltétel és következmény részei eltérő alaphalmazokon
vannak definiálva. Ezért szükséges a különböző halmazok elemei közötti kapcsolatok,
asszociációk létének vizsgálata, melyekről információt a fuzzy relációk adnak. A fuzzy
relációkban elemek rendezett párjai kerülnek vizsgálatra, amelyek egy bizonyos
mértékben viszonyulnak, kapcsolódnak egymáshoz.
A fuzzy reláció a fuzzy halmazok kartéziánus szorzatán kerül értelmezésre. A
kartéziánus szorzat X1,X2…Xn halmazok elemeinek valamennyi kombinációjából
összeállított elem n-eseket jelenti. Ennek értelmében a fuzzy reláció általános jelölése: 8 = {��, … , ���, +\��, … , ���|�]., … , ��].� �} ahol +\��, ^� ∈ 00,11 mutatja meg a fuzzy kapcsolat, reláció kielégítésének mértékét.
A fuzzy relációk nyelvi, lingvisztikai álruhába való öltöztetése révén jutunk el a
fuzzy szabályokhoz, más néven a fuzzy algoritmushoz.
30
3.2.4 Nyelvi változók
Mint ahogy a korábbiakban említésre került a fuzzy rendszerek esetében a
számítás szavakkal történik, ezért az aritmetikai változók helyébe nyelvi váltózók
lépnek. A nyelvi (lingvisztikai) változónak akkor nevezhetünk egy változót, ha az
értékként természetes nyelvbeli szavakat vesz fel, és ahol a szavak fuzzy halmazzal
jellemezhetők a változó által definiált alaphalmazon. A nyelvi változót (14. ábra) egy
ötössel adhatunk meg: {LV, G, T, M, X}, ahol
• LV: a nyelvi változó neve (pl.: sebesség);
• G: szintaktikus szabály, amellyel meghatározható a nyelvi változó értékei, azok
száma és tulajdonságai;
• T: a nyelvi változó értékeihez tartozó elnevezések halmaza, más néven a nyelvi
értékek vagy terminusok (pl.: lassú, közepes, gyors);
• M: szemantikus szabály segítségével a terminusok mindegyikéhez tagsági
függvényt rendelhető, ezáltal az alaphalmazon értelmezett fuzzy halmazokká
alakíthatók, tulajdonképpen M(L): T(LV) → F(X) leképezést valósítja meg;
• X: az alaphalmaz.
14. ábra. A nyelvi változó
A lingvisztikai változók duális természetűek. A magasabb szinteken szimbolikus
nyelvi alakokat látunk, az alacsonyabbakon pedig numerikus alakokat, tagsági
31
függvényeket. Ezáltal alkalmassá válik mind szimbolikus, mind numerikus számítások
elvégzésére.
A nyelvi változók alkalmazásának további oka a granuláció vagy szemcsézés,
mely az információ tömörítését (pl.: nagy mennyiségű adat fuzzy halmazzal való
lefedése) jelenti, ezáltal biztosítva a rosszul definiált vagy túlságosan bonyolult
jelenségek közelítését.
3.3 Neuro-Fuzzy rendszerek
A neurális hálózatok és a fuzzy rendszerek egyaránt képesek bemenet-kimenet
párok leképezésére a matematikai leírásuk ismerete nélkül. Vagyis mindkét rendszer
ugyanazt a problémát képes megközelíteni eltérő módon és szinten. A tulajdonságaik
összehasonlítására a következő táblázatban kerül sor.
1. táblázat
A fuzzy rendszerek és a neurális hálózatok tulajdonságai [2]
Tulajdonságok Fuzzy rendszerek Neurális hálózatok
Köz
ös tu
lajd
onsá
gok Inferencia közelítő közelítő
Általánosítás jó nagyon jó
Hiba tolerancia jó nagyon jó
Bizonytalansági tolerancia jó jó
Valós idejű működés jó nagyon jó
Nonlinearitás jó jó
Kie
gész
ítő tu
lajd
onsá
gok Tudás reprezentálás jó rossz
Tanulási képesség nincs nagyon jó
Értelmezhetőség nagyon jó nincs
Szakértői tudás nagyon jó nincs
Numerikus adat gyenge nagyon jó
Matematikai modell nagyon jó gyenge
Optimalizálási képesség gyenge nagyon jó
A táblázatból is kiderül, bizonyos tulajdonságok esetén egyezőséget mutatnak,
míg másoknál eltérnek (vagy nem rendelkeznek az adott tulajdonsággal). Annak
32
érdekében, hogy ezeket a hiányosságokat csökkentsük, esetleg megszűntessük, valamint
előnyeiket összevonjuk, erősítsük, létrehozhatok a kombinációik. Vagyis egy olyan
tanulási és általánosító képességgel rendelkező rendszerhez juthatunk, amely pontatlan,
valós kijelentésekre építve következtet, gondolkodik. Így a körülmények
megváltozásához igazodva új viselkedésformákat tud kialakítani, ezáltal lehetőséget
biztosít a valós folyamatok pontosabb modellezésére. Összességében elmondható, hogy
a neurális hálózat és a fuzzy rendszer közös vonásai lehetővé teszi a kombinálásukat,
míg a kiegészítő tulajdonságaik kívánatossá, hasznossá.
A fuzzy rendszerek és neurális hálózatok kombinálása két irányban lehetséges:
• neuralizált fuzzy rendszerek,
• fuzzyfikált neurális hálózatok.
A neuralizált fuzzy rendszerek fuzzy rendszert jelent neurális hálózati köntösbe
öltöztetve. Az alaprendszert tehát a fuzzy rendszer képezi, miközben a neurális háló
csak kiegészítő eszköznek minősül, tanulási képességgel látja el a fuzzy rendszert.
Ezáltal lehetővé válik a tagsági függvények és a szabályrendszer kialakítása, tanulása,
valamint azok finom hangolása, így jelentősen csökkentve a fejlesztési időt és
költségeket. A fuzzy rendszerek tervezhetővé és önadaptívvá válnak, miközben
megőrzik a legfontosabb tulajdonságukat az emberi következtetést.
A fuzzyfikált neurális rendszerek alapvetően neurális hálózatok, amelyekbe
beépítésre kerülnek a fuzzy elvek. Egy neurális hálózat mindenegyik része (aktivizációs
függvény, bemeneti és kimeneti adatok, súlyszámok) topológiája, tanulási algoritmusa
is fuzzyfikálható, ezáltal javítható az üzeme, és robosztusabb működése érhető el. A
neurális hálózat fuzzy logikával való kiegészítése révén növelhetővé válik a rendszer
rugalmassága, robosztussága és gyorsassága. [2]
Fontos megjegyezni, hogy a neurálizált fuzzy és a fuzzyfikált neurális
rendszerek között jelentősek az átfedések, ezért éles határvonalat nem lehet köztük
húzni. Az évek során számos típusúkat dolgozták ki: ANFIS, NEFCON, FALCON,
GARIC stb.
A következőkben a leggyakrabban alkalmazott kombinált rendszert, az ANFIS-t
szeretném ismertetni, mely a későbbiekben felhasználásra kerül a készletszabályozó
megvalósításánál is.
33
3.3.1 ANFIS
Az ANFIS (Adaptiv Network-based Fuzzy Inference System) neuralizált fuzzy
rendszer, amelynek alaprendszerét a Takagi-Sugeno (Sugeno) fuzzy rendszer jelenti. A
Sugeno rendszer fuzzy szabályai a következő alakot vehetik fel (két bemenet esetén):
HA x1 = A1j (ÉS x2 = A2i) AKKOR yi = fi(x1,x2) i=1,2
A következmény részt az yi= f i(x1,x2) jelöli. A kimenet nem rögzített fuzzy
halmazokkal van megadva, hanem az előre rögzített fi függvényekkel közvetlenül a xi
bemeneti értékekből kerül meghatározásra. Pontosabban az fi függvény a bemeneti
értékek lineáris kombinációját jelenti: ����, �%� = F_� + F�� + F%��%
Ekkor a Sugeno modell elsőrendű, ellenben ha az f egy állandó érték, akkor
zérusrendű Sugeno modellről beszélünk.
Az eredő kimenet az egyes szabály kimeneteknek β értékekkel súlyozott
átlagaként határozható meg:
^��� = ^ + `%^%+ `%
ahol a βi értékek az aktivizációs fokokat jelölik. Az aktivizációs fok két halmaz (A és
A’) metszetének szuprémumát, magasságát jelenti: ` = ℎ�D�3 ∩ 3Z�. Ennek
megfelelően a βi értékét a következőképpen számíthatjuk: � = min0+���� , +%���%�1.
15. ábra. A Sugeno fuzzy szabályozó következtetési diagramja
34
Az ANFIS neurális hálózata 5 réteges előrecsatolt típusú:
16. ábra. Az ANFIS hálózat
1. réteg: adaptív neuronokból álló réteg, amelyek a feltétel tagsági függvényeket
tartalmazzák, és kimeneteik a premisszák tagsági függvény értékei, aktivizációs
fokai. �,� = +,���′�, b = 1,2, +,���′� = � �L� = +L���%′�, b = 1,2, +L���%′� = �%
2. réteg: rögzített neuronjai szorzással képezik a bemenetek eredő aktivizációs fokát: �%� = � = � �%
3. réteg: rögzített neuronjai normalizált aktivizálási fokokat képeznek:
�d� = ef = �eggg = �+ %
4. réteg: adaptív neuronjai a szabály kimenetekhez tartozó lineáris függvényeket
számítják, megszorozva a normalizált súlyokkal: �h� = �eggg�F� + U��� + S��%��
5. réteg: egyetlen rögzített, összegző kimeneti neuron alkotja, mely az eredő kimenetet
képezi:
�i� = � �eggg �� = ∑ ���∑ � = ^
Az neurális hálózat tanulása kétlépcsős hibrid tanulás valósul meg. A
követelmény paraméterek tanulása legkisebb négyzetek módszerének felhasználásával
történik. A paraméterek becslése a megfigyelt és a feltételezett értékek (ek = F_ +
35
F� + F%�% + ⋯ + F���� különbségének négyzetösszegének (hibaérték)
minimalizálását jelenti:
� = m�F_, F, … , F�� = ��^� − ek�% ⇒ Ebo���
A feltétel paraméterek meghatározása gradiens-ejtéssel lehetséges, mely esetén a
paramétereket a hibafüggvényük (���� = ∑ % �p� − ^��%� � negatív gradiensének
valamely töredékével változtatjuk.
∆� = −r∇���� = −r t ����t�
ahol η a tanulási ráta, amely a súlyváltozás léptékét határozza meg.
36
4. A készletszabályozó rendszer
A mesterséges intelligencia módszerek legnagyobb előnyét az jelenti, hogy
képesek racionális döntések meghozatalára a környezet bizonytalansága és
pontatlansága ellenére. Ezt tulajdonságukat kihasználva, a sztochasztikus logisztikai
folyamatok is kezelhetővé válnak. Így új távlatokat nyitva meg a logisztikai rendszerek
tervezésében és üzemeltetésében használatos eljárások korszerűsítése számára. Az egyik
ilyen korszerűsítési területet képezi a készletszabályozás, mely esetében a kitűzött cél
egy mesterséges intelligencián alapuló készletszabályozó rendszer létrehozása lehet.
Ehhez elsőként tekintsük át, hogy a megvalósítandó készletszabályozónak
milyen követelményeknek kell eleget tennie. Azaz képesnek kell lennie a folyamat
jellegétől függetlenül, a folyamatot alkotó elemek közötti matematikai összefüggések
ismerete nélkül, költségminimalizáló és megbízhatósági szempontokat figyelembe véve
a készletnagyság folyamatos optimalizálására.
17. ábra. A készletszabályozási folyamat
A szabályozó inputjait mindazok a készletezési rendszert és működését leíró
paraméterek és peremfeltételek jelentik, amelyek ismeretében a szabályozó elvégzi az
optimalizálást. Ezek az adatok a készletezési rendszerben zajló eseményeknek (pl.:
raktári megrendelések, be- és kiszállítási tranzakciók stb.) az adatbázis-kezelő
szoftverek, a vállalatirányítási, illetve a készletnyilvántartó rendszerek által történő
folyamatos naplózásával elérhetővé válnak, vagy a tárolt adathalmazokból előállíthatók
(adatkonverzió).
37
A bemenő adatokra támaszkodva a szabályozó a készletezési költségek és a
készlethiány minimalizálására törekedik, vagyis meghatározza azoknak a szabályozó
paramétereknek az optimális értékét, melyen keresztül befolyásolni tudja a készletezési
folyamatot az elérni kívánt céloknak megfelelően. Ezek az optimalizált mennyiségek
képezik a szabályozó outputjait. A készletszabályozás zártságának biztosítása érdekében
a szabályozott paraméterek visszavezetése szükséges a készletezési folyamatba (az
integrált vállalatirányítási rendszerbe) különböző adatcsomagok formájában. [9] [10]
A rendszer lehetséges be- és kimeneti paramétereinek, peremfeltételeinek
meghatározása a készlet nagyságát befolyásoló tényezők vizsgálata alapján lehetséges.
4.1 A készletnagyságot befolyásoló tényezők
Az ellátási lánc egyes pontjain számos tényező lehet hatással a készlet
pillanatnyi nagyságára. Ezeket a tényezőket csoportosíthatjuk aszerint, hogy az adott
anyagáramlási folyamat mely szereplőjéhez köthető. Így beszélhetünk a beszállító, a
termelő/kereskedő vállalat és a vevők által generált tényezőkről.
4.1.1 Beszállítói oldal készletszintre való hatása
1) Utánpótlási idő:
• a rendelés feladástól a rendelt mennyiség leszállításáig eltelt időt jelenti,
• valószínűségi változó: statisztikai úton vizsgálható valószínűség
eloszlással, (várható értéke: M(tp), szórása: σtp),
18. ábra. Az utánpótlási idő változása a megrendelések függvényében
0
5
10
15
20
t p(n
ap
)
Megrendelések
Várható érték Utánpótlási idő
38
• nagysága függhet:
o a rendelés feladás időpontjától (az év adott időszaka, a hét adott
napja stb.),
o a rendelt mennyiségtől,
o a kialakított partnerkapcsolattól (pl.: stratégiai partner),
o a beszállító előállítási folyamataitól (beszállítói késztermék =
termelő vállalati alapanyag ⇒ a beszállító működési zavara
hatással van a termelő vállalat anyagellátására),
o a beszállítás ütemezésétől:
� beszállítás egy tételben: a rendelt mennyiség egy tételben
érkezik a raktárba általában a vizsgált időszak elején,
� beszállítás több tételben: a rendelt mennyiség szállítása a
vizsgált időszak során több azonos/eltérő nagyságú
tételben előre meghatározott azonos/eltérő hosszúságú
időközként történik.
2) Az egyszerre rendelhető mennyiséget meghatározó tényezők:
• a beszállító meghatározhat egy minimális mennyiséget (qa), melynél
kevesebb mennyiség rendelése nem lehetséges,
• ugyanakkor maximális rendelhető mennyiségét (qb) is meghatározhat a
beszállító,
• ezek alapján a rendelhető mennyiség: 0 ≤ qa ≤ qr ≤ qb ≤ +∞,
• a rendelési tétel nagyságot befolyásolhatja a rendelés összetételének
homogenitása/inhomogenitása is.
3) Készlet-utánpótlási (rendelési) költség változó költségösszetevője:
• a készlet-utánpótlási folyamathoz kapcsolható költségek a beszerzendő
mennyiségtől függő költségtényezője: uv�wx� = wx ∗ Sv 0zD1 ahol qr – a rendelt mennyiség [db]
cb – a beszerzendő mennyiséggel arányos fajlagos költség [Ft/db]
39
4) Kedvezmények:
• kedvező rendelési (időbeli és mennyiségi) paraméterek teljesülése esetén
kapható, a beszállítók által adott kedvezmények (ide sorolhatók pl. a
logisztikai diszkontok: „ha-akkor”, vagy „annyiszor”, vagy „úgy” rendel
a vállalat, ahogy a beszállítónak kedvező)
5) Egyéb utánpótlási zavarok:
• pl.: időjárási és forgalmi viszonyok okozta zavarok
4.1.2 Vevői oldal készletnagyságra való hatása
1) Kereslet:
• egy adott időpillanatban jelentkező, meghatározott nagyságú vevői igény
(r(t)),
• valószínűségi változó, statisztikai úton vizsgálható valószínűség
eloszlással (várható értéke: M(r), szórása: σr),
• időbeli alakulása lehet:
o konstans értékkel jellemezhető,
o trendszerű (lineáris, nemlineáris),
o szezonális,
19. ábra. A kereslet időbeli alakulása [8]
40
• megkülönböztetünk:
a) prognosztizált keresletet:
o előrejelzési modell segítségével meghatározott, jövőbeni,
várható kereslet,
o az előrejelzés becslési hibával rendelkezik, ezért a pontossága
alapvetően meghatározza a készletezési rendszerek működési
hatékonyságát,
b) elmúlt időszaki (tényleges) keresletet:
o a már feladott és kielégítésre került vevői igények
összességét jelenti,
• ∃ előrejelzett kereslet ≠ tényleges kereslet.
20. ábra. A kereslet változása az idő függvényében
4.1.3 Termelő/kereskedő vállalat készletszintre való hatása
1) Készletezési stratégia:
• meghatározza azokat a döntési változókat, amelyeken keresztül hatást
gyakorolhatunk az utánpótlási folyamatra (ezek a készletszabályozó
rendszerekben tulajdonképpen szabályozó paraméterekként
alkalmazhatók);
• megkülönböztetünk:
o idővezérelt készletezési stratégiát:
r(t)
(d
ara
b)
t (nap)
Előrejelzett kereslet Tényleges kereslet
41
� a vizsgált időszakban előre meghatározott optimális
időközönként kerül feladásra a rendelés,
� pl.: [t;S], [t,q] stratégia,
o volumen vezérelt készletezési stratégiát:
� a vizsgált időszakban egy előre meghatározott optimális,
(minimális) készletszint elérésekor kerül feladásra a
rendelés,
� pl.: [s;q], [s;S] stratégia.
2) Maximális készletnagyság:
• az adott termékből a raktárban tárolható maximális mennyiség (Qmax);
• a felülről korlátos rendszerműködési sajátossága;
• lehet:
o állandó érték (egy termék, speciális tárolást igénylő termék stb.
esetén),
o dinamikus: változó érték (több termék esetén a termékek változó
készletnagysága miatt ⇒ termék átcsoportosítás)
3) Készlettartási (raktározási) költség:
• a készlet tárolása során jelentkező költség,
• megállapítása általában nem könnyű, mivel ehhez a tároláshoz
kapcsolódó költségek egyértelmű elkülönítése nem lehetséges,
• nagy része a készletben lekötött tőke költségégéből ered, kisebb részben
az infrastruktúra üzemeltetéséből származó fix és változó költségek
alkotják,
• tárolási időtől és a tárolási mennyiségtől függő érték:
u% = {: |�D� pD�_ } ∗ S% 0zD1
ahol t [nap] – a tárolási idő, D ∈ 00, ~1 Q(t) – a tárolt mennyiség, |�D� ≥ 0
c2 [Ft/db*nap] – idő- és mennyiségegységre eső, (fajlagos)
raktározási költség
42
4) A készlet-utánpótlási (rendelési) költség fix költségösszetevője:
• a beszerzés tényéhez kapcsolódó fix költségtényező,
• nagysága független a rendelési mennyiség nagyságától, azonban függ a
rendelés feladások számától: u = o ∗ S 0zD1 ahol n – a megrendelések száma,
c1 [Ft/megrendelés] – a megrendelésnek a beszerzett mennyiségtől
független, fajlagos fix költsége.
5) Készlethiány:
• készlet hiány léphet fel, amennyiben adott időpontban a rendelkezésre
álló készlet nem elegendő a felmerült vevői igények kielégítésére;
• készletmodellezés során két esetet különböztethetünk meg:
o a készlethiány nem megengedett,
o a készlethiány megengedett (ebben az esetben a készlethiány
mértéke maximális értékkel rendelkezhet),
• készlethiány hiányköltséget generál, ezáltal az összköltségre is hatást
gyakorol;
• a költségek közül a hiányköltség megállapítása talán a leginkább
problémás, mivel általában az elvesztett üzleti lehetőségekkel van
összefüggésben, s ezek az adatok sok esetben nem, vagy nem teljes
körűen naplózottak a vállalatoknál,
• a hiányköltség mértéke a hiányzó mennyiséggel (Qh) és az eltelt idővel
(th) arányos:
ud = {: |��D� pD�_ } ∗ Sd 0zD1
ahol t [nap] – a tárolási idő, D ∈ 00, ~1 Qh(t) – a hiányzó mennyiség,
c3 [Ft/db*nap] – idő- és mennyiségegységre eső, (fajlagos)
hiányköltség
43
6) Anyagigény:
• termelő vállalatok esetében a termelési folyamat szempontjából az egyes
alap-, segédanyagok, alkatrészek, illetve félkész termékek iránt fellépő
kereslet;
• tulajdonképpen a vevői kereslet lefordítását jelenti a termelés felé, illetve
a termelésen keresztül az input oldal felé.
7) Kiszállítás ütemezése:
• egy tételben történő kiszállítás: a vevő(k) által rendelt mennyiség
kiszállítása a rendelés megérkezését követően egy tételben történik,
• több tételben történő kiszállítás: a rendelt mennyiség kiszállítása a
vizsgált időszak során több azonos/eltérő nagyságú tételben előre
meghatározott azonos/eltérő hosszúságú időközként történik.
8) Az elérni kívánt célok jellege és mérhetősége:
• az optimalizálási feladat megvalósításához, azaz az elérni kívánt állapot
matematikai formában történő leírásához szükséges egy célfüggvény
felépítése,
• a célfüggvény a lehetséges döntési megoldásokat általában egzakt módon
értékeli a probléma független változóinak függvényében, egy keresési
felületet reprezentálva,
• legtöbbször azonban nem lehetséges a célfüggvény (vagy
célfüggvények) egzakt meghatározása, mivel a vizsgált folyamat és a
környezet meglehetősen sok bizonytalansági tényezővel terhelt, illetve az
egzakt összefüggések nem, vagy csak nehezen meghatározhatók,
• tartalma szerint lehet:
a) költségminimalizáló jellegű:
o cél: a készletezési folyamathoz során felmerülő költségek (C0)
minimalizálása u� = uv + u + u% + ud ⇒ Ebo
b) megbízhatósági típusú:
o cél: egy adott megbízhatósági szintet tartva a vizsgált
időszakban felmerülő összes vevői igény kielégítése (a vevői
44
igények adott valószínűséggel kielégíthetők), azaz a
készlethiány minimalizálása,
o kockázati tényező (ε): megmutatja, hogy időszakonként
átlagosan hány esetben engedhetjük meg, hogy készlethiány
lépjen fel,
o megbízhatósági szint (1-ε): megmutatja, hány esetben, vagy
milyen hosszú időszakban nem lesz termelés- vagy
értékesítés-kiesés a készlethiány miatt,
c) költségminimalizáló és megbízhatósági típusú:
o cél: a költségek minimalizálása mellett az előre meghatározott
megbízhatósági szint tartása.
4.2 A bemenő paraméterek meghatározása
A szabályozó inputjainak és outputjainak meghatározásához a készlet pillanatnyi
nagyságát befolyásoló peremfeltételek, egzakt módon vagy valószínűségi változóként
leírható paraméterek definiálása szükséges, melyek a későbbiekben a szabályozás során
integrálásra kerülnek. A vizsgált tényezőket minden esetben a feladat jellege, illetve a
szabályozó rendszer működtetésével elérni kívánt célok, továbbá az ez által
meghatározott bonyolultsági szint határozhatja meg. Ennek függvényében a tervezendő
rendszer bemeneti a következők:
• Vevői oldalon:
o elmúlt időszaki (a vizsgált időszakot megelőző időszaki) kereslet: r0(t)
� statisztikai úton meghatározható valószínűségi eloszlással (pl.:
normál eloszlás, Weibull-eloszlás)
� időegységre vonatkoztatott várható értékkel: M(r0) [db/nap]
� szórással σr0 rendelkezik.
o prognosztizált (a vizsgált időszakra vonatkozó) kereslet: r(t)
� statisztikai úton meghatározható valószínűségi eloszlással (pl.:
normál eloszlás, Weibull-eloszlás)
� időegységre vonatkoztatott várható értékkel: M(r) [db/nap]
� szórással σr rendelkezik.
45
• Termelő vállalati/kereskedői oldalon:
o készletnagyság: a készletfigyelés során mért, a raktárban tényleges tárolt
készlet mennyiséget jelenti, Qtény(t) [db]
o maximális készletnagyság: |)�; = S�o=D 0pU1 o készleteltérés maximális értéke: EF�4|�é���D� − |��x��D�9 = S�o=D
o készletezési stratégia: idővezérelt [t,q] készletezési stratégia, azaz
rögzített időközönként kerül feladásra rögzített mennyiségről szóló
rendelés,
o megbízhatósági szint: 1-ε
o raktározási költség fajlagosa: S% = S�o=D 0zD/pU ∗ oF?1 o fajlagos rendelési fix költség: S = S�o=D 0zD/E����op��é=1
• Beszállítói oldalon:
o elmúlt időszaki utánpótlási idő:
� statisztikai úton meghatározható valószínűségi eloszlással (pl.:
normál eloszlás, Weibull-eloszlás)
� időegységre vonatkoztatott várható értékkel: M(tp0) [nap]
� szórással σtp0 rendelkezik.
o prognosztizált utánpótlási idő:
� statisztikai úton meghatározható valószínűségi eloszlással (pl.:
normál eloszlás, Weibull-eloszlás)
� időegységre vonatkoztatott várható értékkel: M(tp) [nap]
� szórással σtp rendelkezik.
o rendelési változó költség fajlagosa: Sv = S�o=D 0zD/pU1
46
4.3 A készletszabályozó rendszer felépítése
A bemeneti paraméterek, peremfeltételek meghatározását követően elkészíthető
a készletszabályozási folyamat koncepciója, melynek lehetséges felépítését az 1.
mellékletben található.
A készletszabályozási folyamatot három főrészre bonthatjuk fel:
• INPUT oldalra,
• a szabályozóra,
• OUTPUT oldalra.
Az INPUT oldal tartalmazza mindazokat a bemenő paramétereket és
peremfeltételeket, amelyek a készlet nagyságát befolyásolhatják. Ezzel szemben az
OUTPUT oldalt azok a paraméterek alkotják, amelyek a szabályozó által kerülnek a
meghatározásra a mindenkori optimalizálási célokat szem előtt tartva. Ezek alapján a
kimeneti paraméterek:
• rendelési időpont: Dx 0oF?1 • rendelési mennyiség: wx 0pU1 • tervezett készletnagyság: |��x��D�0pU1 • biztonsági készletszint: |v 0pU1
azt a tartalékolt árumennyiséget jelenti, amely a kereslet véletlen ingadozása
mellett is kellő biztonságú kereslet-kielégítést tesz lehetővé,
• jelentésköteles készletszint: |� 0pU1 a megrendelés feladás időpontjától a rendelt mennyiség leszállításáig eltelt idő
alatt jelentkező szükséglet fedezésére szolgáló készletet jelenti.
A kimenő paraméterek közül a legfontosabb a rendelési tételnagyság és a
rendelési időpont. Ugyanis a későbbiekben értékeinek megfelelően történik a
rendelésfeladás, melyen keresztül a szabályozó hatást tud gyakorolni a készlet időbeli
alakulására.
A kimeneti paramétereket vissza kell csatolni a szabályozó bemeneti oldalára. A
visszacsatolás oka a készlet dinamikus szinten tartásában rejlik, vagyis nem elegendő a
szabályozónak a rendelési idő elteltével működésbe lépnie, hanem a megbízhatóság
szint tartása érdekében a jelentésköteles készletszint elérésekor, továbbá ha a tervezett
készletszint a készletfigyelés során mért készletnagyságtól egy előre meghatározott
47
maximális értéket meghalad. A szabályozó negyedik aktiválási pontjának
meghatározása összetettebb feladat, mivel ehhez az utánpótlási idő és a kereslet
eltérésének együttes vizsgálata szükséges.
Rendelkezésünkre áll az elmúlt időszakra vonatkozó tényleges és előrejelzett
kereslet/utánpótlási idő. Az előrejelzett értékek becslési hibával rendelkeznek, ezért
eltéréseket mutathatnak a tényleges értékékhez képest. Ennek az eltérésnek a nagyságát
és irányát egyszerű különbségképzéssel meg tudjuk határozni minden egyes időpontban.
Az eltérésnek nagysága és iránya szerint öt csoportját különböztetjük meg:
erősen nő
nő
nem változik
csökken
erősen csökken
Az eltérés dinamikája alapján következtetni tudunk, hogy a prognosztizált
kereslettől/utánpótlási időtől a vizsgált időszakra vonatkozó tényleges
kereslet/utánpótlási idő várhatóan milyen mértékben fog eltérni, ezzel részben
kompenzálhatóvá válik az előrejelzés becsléséből származó hibaérték.
Azonban szükséges a kereslet és az utánpótlási idő eltérésének együttes
vizsgálata is. Ezt a következőkben egy példával szeretném illusztrálni. A kereslet és az
utánpótlási idő eltérése egyaránt erősen növekvő tendenciát mutat, azaz várhatóan a
prognosztizálthoz képest jelentősen nagyobb értéket fog felvenni a valós kereslet és
utánpótlási idő, ezért a szabályozónak a folyamat stabilitásának fenntarthatóságának
érdekében újraoptimalizálást kell végezni.
Fontos megjegyezni, hogy az eltérések bizonyos kombináció esetén nem
szükséges a szabályozónak működésbe lépnie. Ahhoz, hogy eldöntsük, a szabályozónak
újraoptimalizálást kell végrehajtania (1) vagy sem (0), egy mátrix létrehozása szükséges
(2. táblázat).
48
2. táblázat
Az utánpótlási idő és a kereslet együttes hatását leíró mátrix
Kereslet változása
Utá
npót
lási
idő v
álto
zása
1 1 1 1 0
1 1 0 1 1
1 0 0 0 1
0 0 0 1 1
0 0 1 1 1
4.3.1 A szabályozó
Az INPUT és az OUTPUT oldalt a szabályozó kapcsolja össze. A szabályozó
feladata tulajdonképpen az, hogy a bemeneti információk alapján a kitűzött célok szem
előtt tartásával meghatározza a kimeneti paraméterek optimális értékeit. Az
optimalizálás során cél valójában a költségek minimalizálását jelenti egy előre
meghatározott biztonsági szint tartása mellett. A célfüggvény felírása azonban a
folyamat jellegéből adódóan, valamint a folyamatelemek kapcsolatrendszerének
komplexitása miatt nehézségekben ütközik. Ezért a szabályozó algoritmus kialakítása a
mesterséges intelligencia módszerek felhasználásával történik. Pontosabban a MI
módszerek approximációs tulajdonságaira támaszkodva a folyamatot alkotó elemek
közötti matematikai kapcsolatok ismerete nélkül közelítjük a célfüggvényt.
A szabályozó megvalósításához a rendelkezésre álló módszerek jellemzőit
megvizsgálva a neuralizált fuzzy rendszerek alkalmazása javasolt. Ennek oka egyrészt a
rendszer alapját képező fuzzy rendszerben rejlik. Ugyanis általa megoldhatóvá válnak
olyan problémák, melyek hagyományos matematikai modelles megközelítése nem
lehetséges vagy nehéz. Másrészt a neurális hálózat tanulási képességgel egészíti ki a
fuzzy rendszert, így a tagsági függvények és szabálybázis kialakításához, finom
hangolásához szükséges idő és költség jelentősen csökkenthető. A tanulási és
általánosítási képességek lehetővé teszik, hogy a létrehozott szabályok és tagsági
49
függvények pontosabb és megbízhatóbb eredményeket, előre megadott kimeneti
pontosságot nyújtsanak. Mindemellett a neuralizált fuzzy rendszer optimalizáló
képességgel is rendelkezik.
4.4 Az alaprendszer létrehozása
A megvalósítandó szabályozási folyamat meglehetősen összetett és bonyolult.
Ezért első lépésként egy olyan alaprendszer létrehozása szükséges, melynek folyamatos
bővítésével elérhető a kívánt szabályozó. Ugyanakkor az alaprendszer kialakításának
további célja, hogy bizonyítást nyerjen a neuralizált fuzzy rendszer, azon belül is az
ANFIS rendszer alkalmazhatósága készletezési problémák megoldására.
Ennek az alapszabályozási folyamatnak a felépítése a 2. mellékletben található.
Az előzőekhez hasonlóan itt is három főrészt különíthetünk el:
• az INPUT oldalt,
• a szabályozót,
• az OUTPUT oldalt.
Azonban a bemeneti paraméterek és peremfeltételek száma a korábbiakhoz
képest jelentősen lecsökkent:
• elmúlt időszaki kereslet: r0(t), (M(r0), σr0)
• prognosztizált kereslet r(t), (M(r), σr)
• készletezési stratégia: idővezérelt [t,q] stratégia,
• raktározási költség fajlagosa: S% = S�o=D 0zD/pU ∗ oF?1 • fajlagos rendelési fix költség: S = S�o=D 0zD/E����op��é=1 • rendelési változó költség fajlagosa: Sv = S�o=D 0zD/pU1
A bemeneti paraméterek és peremfeltételekhez kapcsolódóan fontos,
megjegyezni, hogy ebben az esetben az utánpótlási idő értéke tp=0 nap, azaz a rendelés
feladást követően azonnal beérkezik a rendelt mennyiség.
A bemeneti információk alapján a szabályozó költségoptimalizálást hajt végre.
Így a célfüggvény a következő formában adható meg:
C
21. ábra. Az összköltség alakulása a rendelési mennyiség függvényében
Tulajdonképpen a raktározási, a rendelési fix és változó költségek összegeké
előálló költségfüggvény minimum pontját keressük
tartozó rendelési mennyiség
meghatározni, melyek ismeretében a beszállító felé irányuló
válik.
4.4.1 ANFIS
Az ANFIS szabályozó
SISO (Single Input - Single Output)
50
u� = uv + u + u% ⇒ Ebo
q
C1
Cb
C0
C2
. ábra. Az összköltség alakulása a rendelési mennyiség függvényében
Tulajdonképpen a raktározási, a rendelési fix és változó költségek összegeké
álló költségfüggvény minimum pontját keressük. Pontosabban
endelési mennyiség (qo) és rendelési időköz (to) értékét
, melyek ismeretében a beszállító felé irányuló megrendelés feladható
Az ANFIS szabályozóban a tanulást megvalósító neurális hálózat
Single Output) rendszer.
22. ábra. A neurális hálózat struktúrája
. ábra. Az összköltség alakulása a rendelési mennyiség függvényében
Tulajdonképpen a raktározási, a rendelési fix és változó költségek összegeként
. Pontosabban ehhez a ponthoz
értékét szeretnénk
rendelés feladhatóvá
tanulást megvalósító neurális hálózat (22. ábra) egy
51
A hálózat bemenetét a kereslet várható értéke (M(r)) képezi. Ezen várható
értéknek, mint alaphalmaznak lefedésére 11 Gauss tagsági függvénnyel (+,��� =��������� ��� rendelkező fuzzy halmazt (23. ábra) hozott létre, illetve ennek megfelelően a
fuzzy rendszer szabálybázisát 11 „HA-AKKOR” típusú szabály alkotja.
23. ábra. A kereslet várható értékét lefedő fuzzy halmazok
A fuzzy szabályok pedig a következők:
4. If (m(r) is in1mf1) then (output is out1mf1) (1)
5. If (m(r) is in1mf2) then (output is out1mf2) (1)
6. If (m(r) is in1mf3) then (output is out1mf3) (1)
7. If (m(r) is in1mf4) then (output is out1mf4) (1)
8. If (m(r) is in1mf5) then (output is out1mf5) (1)
9. If (m(r) is in1mf6) then (output is out1mf6) (1)
10. If (m(r) is in1mf7) then (output is out1mf7) (1)
11. If (m(r) is in1mf8) then (output is out1mf8) (1)
12. If (m(r) is in1mf9) then (output is out1mf9) (1)
13. If (m(r) is in1mf10) then (output is out1mf10) (1)
14. If (m(r) is in1mf11) then (output is out1mf11) (1)
A neurális hálózat a fuzzy szabályok és a fuzzy tagsági függvények tanuláshoz
az elmúlt időszak keresleti adatait (r0(t)) (24. ábra) használja fel. Magára a tanulási
folyamatra ebben a részben nem térnék ki részletesen, mivel az korábban, a 3.3.1
fejezetben az ANFIS rendszer bemutatásakor ismertetésre került.
24. ábra. A
Az egyes fuzzy
kimenete, vagyis ebben az esetben az optimális rende
mennyiség egy meghatározott várható értékhez tartozó költségfüggvény
minimális pontját jellemz
időköz számítása a következ
4.4.2 Az alap-készletszabályozó
A készletszabályozó
numerikus matematikai szoftver
mátrix számítások elvégzésére,
implementációjára és felhasználói interfészek kialakítá
52
Az elmúlt időszaki kereslet alakulása az idő függvény
szabályok eredményeinek összegzéséből állítható el
, vagyis ebben az esetben az optimális rendelési tételnagyság. Ez a rendelési
mennyiség egy meghatározott várható értékhez tartozó költségfüggvény
s pontját jellemző paraméter. A rendelési tételnagysághoz tartozó rendelési
a következő EOQ képlettel történik:
D� = � 2 y SS% y ����
25. ábra. A költségfüggvény
készletszabályozó rendszer
A készletszabályozó megvalósításához a MATLAB (Matrix Laboratory) R2010a
numerikus matematikai szoftvert használtam fel. Az említett programrendszer képes
számítások elvégzésére, függvények és adatok ábrázolására,
implementációjára és felhasználói interfészek kialakítására. Így
függvényében
állítható elő a hálózat
lési tételnagyság. Ez a rendelési
mennyiség egy meghatározott várható értékhez tartozó költségfüggvény (25. ábra)
A rendelési tételnagysághoz tartozó rendelési
megvalósításához a MATLAB (Matrix Laboratory) R2010a
programrendszer képes
és adatok ábrázolására, algoritmusok
Így a szabályozó
53
algoritmusának programozása mellett lehetőség nyílt a rendszer felhasználói felületének
elkészítésére is.
26. ábra. A készletszabályozó rendszer felhasználói felülete
A kezelő felületen (26. ábra) megadhatók az input adatok (költségek, vizsgált
időszak hossza, a kereslet várható értéke), valamint az elmúlt időszakot jellemző
keresleti értékek egy xlsx típusú fájlból kerülnek beolvasásra. Ezzel megteremtve annak
a lehetőségét, hogy későbbiekben a készletszabályozót csatlakoztatni lehessen az adott
vállalat vállalatirányítási rendszeréhez.
Továbbá a felületen a tanulást és az optimalizálást követően megjelenik az
optimális rendelési mennyiség és időköz értéke. Fontos megjegyezni, hogy a rendszer
tanulási folyamatát egyszer kell elvégezni, ezt követően elegendő csak kereslet várható
értékét megadni, hogy megkapjuk a rendelésfeladás ütemezésére vonatkozó
paramétereket.
4.4.3 Az alaprendszer tesztelése
Az ANFIS rendszeren alapuló készletszabályozó működőképességének
bizonyításához, a rendszer tesztelése szükséges. Ehhez normál valószínűségi eloszlással
jellemezhető, eltérő várható értékkel és szórással rendelkező, az elmúlt időszakra
vonatkozó keresleti adatsorokat használtam fel. Valamint egyes esetekben a költségek
54
fajlagosai is a korábbiaktól eltérő értékeket vettek fel. A szabályozó által meghatározott
eredmények, a rendelési mennyiségek helyességének ellenőrzése az optimális rendelési
tételnagyság közelítésére használt EOQ képlet segítségével történik:
w� = �2 ∗ S ∗ ����S%
A 3. táblázatban láthatjuk, hogy a tesztelések során a felhasznált, az elmúlt
időszakra vonatkozó keresletet jellemző várható érték milyen intervallumba esett,
illetve mekkora szórással rendelkezett. A táblázat harmadik oszlopa pedig a képlettel
számított és a szabályozó által meghatározott mennyiségek eltérésének mértékét
tartalmazza.
3. táblázat
Tesztelési eredmények
Várható érték Szórás a várható érték
Eltérés mértéke [%]
200…500 10 %-a 0,0
500…800 10 %-a 0,0
500…800 20 %-a 0,0
800…1100 5 %-a 0,0
800…1100 10 %-a 0,0
800…1100 20 %-a 0,0
800…1100 30 %-a 0,0
A kapott eredmények alapján elmondható, hogy a vizsgált esetek mindegyikében
a szabályozó az optimális rendelési mennyiséget szolgáltatta. Így az ANFIS rendszer
alkalmasnak bizonyul egy, a fentiekben definiált készletszabályozási feladat
megoldására, amely azt vetíti előre, hogy valószínűleg komplexebb készletezési
problémák esetén is sikeres lehet. Ennek bizonyítására a probléma komplexitási fokát
tovább érdemes növelni, és a fentihez hasonló módon megtervezett teszteket érdemes
végrehajtani ennek igazolása céljából.
55
5. Összefoglalás
Az ellátási láncok működésében meghatározó szerepet töltenek be a készletek.
Tulajdonképpen nagyságuk döntően meghatározzák a teljes logisztikai folyamat
hatékonyságát. Ezért a vállatok szempontjából fontossá válik az optimális készletszint
meghatározása. Napjainkban azonban a rendelkezésre álló, a készletszabályozás során
alkalmazott módszerek nem mind esetben tudnak a megfelelő, optimális eredményt
szolgáltatni a rendszer jellegéből és összetettségéből adódóan.
Az eljárások korszerűsítésének egyik lehetséges irányvonalát képezheti a
mesterséges intelligencia módszereket (neurális hálózatok, fuzzy rendszerek, genetikus
algoritmus) alkalmazó készletszabályozó rendszerek kidolgozása. Ugyanis a
mesterséges intelligencia módszerek az emberi gondolkodásmódot modellezve képesek
a környezet bizonytalansága és pontatlansága ellenére is a helyes megoldásra
következtetni. Ezáltal alkalmazkodni és reagálni tudnak az esetleges váratlan
események következtében fellépő hatásokra is.
A dolgozatban egy Neuro-Fuzzy logikán alapuló szabályozó létrehozásához
szükséges elméleti alapok kerültek lefektetésre. Továbbá egy alap-készletszabályozó
rendszer létrehozása történt meg, mellyel bizonyítható a választott MI módszer, azaz az
ANFIS rendszer alkalmazhatósága készletezési problémák megoldására. Valamint a
későbbiekben az alaprendszer továbbfejlesztésével létrehozható egy olyan
készletszabályozó, mely a folyamatok jellegétől és komplexitásától függetlenül
meghatározná a célfüggvények (költség- és megbízhatósági függvények) optimumát
jellemző rendelési tételnagyságot és időközt, ezáltal növelve a vállalat eredményességét.
A dolgozat szakmai tartalma kapcsolódik a "Minőségorientált, összehangolt
oktatási és K+F+I stratégia, valamint működési modell kidolgozása a Műegyetemen" c.
projekt szakmai célkitűzéseinek megvalósításához. A projekt megvalósítását az ÚMFT
TÁMOP-4.2.1/B-09/1/KMR-2010-0002 programja támogatja.
56
Irodalom
[1] Retter Gyula: Fuzzy rendszerek - Bevezetés (2002, Invest-Marketing Bt.)
[2] Retter Gyula: Kombinált fuzzy, neurális, genetikus rendszerek – Kombinált lágy
számítások (2007, Invest-Marketing Bt.)
[3] Johanyák Zsolt Csaba: Fuzzy logika (2004, oktatási segédlet)
[4] Borgulya István: Neurális hálók és fuzzy-rendszerek (1998, Dialóg Campus
Kiadó)
[5] Horváth Gábor: Neurális hálózatok és műszaki alkalmazásaik (1998,
Műegyetemi Kiadó)
[6] Stuart J. Russell – Peter Norvig: Mesterséges intelligencia modern
megközelítésben (2000, Panem Kft.)
[7] Dr. Prezenszki József: Logisztika I. (1997)
[8] Dr. Bóna Krisztián: Készletezési folyamatos és rendszerek, készletezés-elmélet
(2005, egyetemi jegyzet)
[9] Bóna Krisztián: Adaptív dinamikus készletszabályozó rendszerek tervezése
(2004, Logisztika IX./3.)
[10] Bóna Krisztián: A raktári készletek csökkentésének lehetőségei, a
készletgazdálkodási folyamatok optimalizálhatóságának vizsgálata (2003,
Logisztikai évkönyv 2003)
[11] Dr. Chikán Attila (szerk.): Készletezési modellek (1983, Közgazdasági és
Jogi Könyvkiadó)
[12] Chikán Attila – Demeter Krisztina (szerk.): Az értékteremtő folyamatok
menedzsmentje – Termelés, szolgáltatás, logisztika (1999, Aula Kiadó Kft.)
[13] A. P. Rotshtein – A. B. Rakityanskaya: Inventory control as an
identification problem based on fuzzy logic (2006, Cybernetics and Systems
Analysis 42./3.)
[14] Stoyan Gisbert: Matlab (2008, Typotex Kiadó)
[15] http://www.euro-
oktaeder.hu/tananyagok/Vallalatialapok/Logisztika_keszletgazd..doc
[16] http://tanulokozosseg.mindentudo.hu/s_doc_server.php?id=2344
57
1. Melléklet: A készletszabályozási folyamat elvi felépítése
58
2. Melléklet: Az alapszabályozási folyamat elvi felépítése
Vevő(k)
Prognosztizált
kereslet
Elmúlt időszaki
kereslet
Termelő vállalat/
kereskedő
Beszállító(k)
Készletezési
stratégia
Raktározási költség
fajlagosa
Rendelési költség
fajlagosa (c1)
Rendelési költség
fajlagosa (cb)
Rendelési
tételnagyság
ANFIS
Rendelési időpont
Rendelés
feladás
INPUT OUTPUTSzabályozó